Sur Internet, connaître son client pour lui proposer des produits qui correspondent à ses goûts représente le meilleur moyen de maximiser le panier d’achat. Les cookies ont leurs limites pour la personnalisation d’un site ; il suffit qu’un client les supprime pour que toutes les informations soient perdues. La tendance est donc au ” profilage ” implicite : des outils, regroupés sous le concept de filtrage collaboratif, suivent le comportement de l’internaute (pages consultées ou produits achetés, par exemple) à l’aide de statistiques extraites des données engrangées par des logiciels tels qu’Aria, de Macromedia, ou les utilitaires de la société Accrue.
Muscler sa base de données
Lancée par Firefly (acquis par Microsoft) et NetPerceptions, l’offre compte un nouvel acteur, Macromedia, qui, avec LikeMinds, s’est imposé sur ce marché en plein essor. Ces outils proposent des produits à l’aide de formules telles que : ” Les gens qui ont acheté le livre X que vous venez de commander ont aussi aimé le livre Y. Voulez-vous le regarder ? “. Mieux, ils génèrent une page représentant le livre X entouré de tous les produits susceptibles de plaire au visiteur. Ils gagnent en pertinence dans le temps, il convient donc de les mettre rapidement en place pour enrichir les bases de départ initialement vides.Roberto Caudrand, directeur technique de Blaze Software, insiste : “ Fondé sur un nombre considérable de visites, le filtrage collaboratif ne convient pas pour les start-up qui lancent leur site. “” Plus on accumule de données, plus les recoupements sont faciles “, estime, de son côté, Salomon Delaforge, responsable B to C chez Fi System.L’entreprise peut également injecter la connaissance qu’elle a déjà de ses clients dans son système de préconisation. Raison pour laquelle le filtrage collaboratif est souvent associé aux outils de datamining et de datawarehousing. “En pratique, c’est moins simple, car nos clients ont du mal à élaborer des règles permettant d’exploiter le comportement de l’utilisateur à des fins de marketing”, observe Alain Lefebvre, vice-président de SQLI.
Si… alors… quand
On peut contourner ces difficultés en alliant plusieurs techniques. ProfileServer, d’Engage Technology, dispose ainsi de deux modules optionnels, Local Declared Profile et Local Behavior, afin de combiner des réponses à un questionnaire avec des observations du comportement. L’intelligence artificielle intervient sous la forme de moteurs de règles, que Blaze Software et Ilog proposent comme solutions de personnalisation. Ainsi, Blaze Advisor Rule Server a été associé à IBM WebSphere Commerce Suite et à BlueMartini. Ilog JRules fonctionne avec BEA Commerce Server ; avec Marketing Studio, d’OpenMarket ; et avec vMerchant, de Brightinfo. Ces moteurs exécutent des règles du type ” Si…alors… quand “. Ils traitent toute information (parcours de l’internaute, analyses statistiques, ou produits en stock), et marient ainsi toutes les techniques de personnalisation.
🔴 Pour ne manquer aucune actualité de 01net, suivez-nous sur Google Actualités et WhatsApp.
